建物模型重建方法

將著重於分群法之介紹，主要探討分群法之類型，並針對本研究使用的 Mean shift 密集度導向之分群法作詳細介紹，並回顧過去使用分群方法之研究；最後於第四

（model-driven）以及混合方法（hybrid method）（Mayer, 1999; Vosselman and Maas, 2010）。三種方法之間的差異表現在不同的步驟中分別包含多少與建物有關的資

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

7

也因其方法為對原始資料做一系列計算，使得執行上較模型導向來得複雜。因此，

如何給定約制條件及規則為此方法主要的問題。

資料導向及模型導向中，其建模流程中需選用適當演算法以萃取目標物件，

三維霍夫轉換（3D Hough-transform）及隨機抽樣一致演算法（RANdom SAmple Consensus, RANSAC）（Fischler and Bolles, 1981）可用於萃取特徵如特徵點、特 徵線及特徵面，若事先提供模型，則可依據模型匹配相應之物件，因此兩種導向 建模方法中皆會運用。而 Douglas-Peucker 演算法為資料導向之演算法，為能簡 化資料，以多邊形網表示原始資料，可用以建構建物牆面之輪廓，其後可配合區 域成長法（Region growing）分群資料（Tarsha-Kurdi et al., 2007）。

模型導向的優點在於它能產製無幾何變形的建物模型，因為它是由參數計算 而得，且計算效率高，但缺點為受限於事先定義之模型庫內容；而資料導向的優 點在於它不需給定模型庫，且能描述較複雜之建物模型，但其於幾何上的變形較 大，且其萃取之平面交會有錯誤的風險。此概念於光達點雲及航空像片皆適用，

王聖鐸(2005)以航空像片為例，說明兩者之差異。此研究中提及，經由處理影像 來求取高階資訊，稱之為資料導向；反之，經由高階資訊特徵並驗證特徵與影像 資料之間的一致性，稱之為模型導向，兩者差異可以下圖 4 表示。

圖 4 資料導向及模型導向之策略（王聖鐸，2005）

‧

同時結合資料導向及模型導向之策略，即混合方法（hybrid approach），可提 高自動建置建物模型之可能性，它可減少大多數資料導向中解釋不同操作之定義 式匹配（area-based matching）、特徵匹配（feature-based matching）發展 至密匹配（dense matching），利用此技術，可從影像中取得高密度且高 可靠度之密點雲。近期國內研究中有探討密匹配之效能與品質之研究

‧

2014；蔡依庭，2012），而對於密匹配點雲建置單棟高建物層級之三維 模型之研究尚少。 System）快速取得的地物點之三維坐標，結合全球定位系統（Global Positioning System, GPS）及慣性導航系統（Inertial Navigation System, INS）資訊，可獲取高精度之三維坐標。於三維建模之資料中，光達點

‧

此系統與空載光達相似，其亦搭載高精度定位定向系統，且定位定向系 結合全球衛星定位系統、慣性導航系統、車輪計（Distance Measurement Instrument , DMI）等，使系統可達直接地理定位的需求。依其掃描距離 可得知，相較於空載光達，其可描述較詳細的路廊資訊以及建物側面特

‧